Python matplotlib seaborn（学习笔记）

已于 2022-03-14 15:37:13 修改
阅读量1.4k 收藏 6
点赞数
分类专栏： # 【Matplotlib】 【Phthon】 # 【大数据分析】 文章标签： python 学习 开发语言
于 2022-03-13 08:59:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wxfighting/article/details/123454072
版权

文章目录

一、seaborn概述

Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。详情请查阅官网：seaborn

二、数据整理

import seaborn as sns
import numpy as np 
import matplotlib as mpl
from matplotlib import pyplot as plt 
import pandas as pd 
from datetime import datetime,timedelta
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
from datetime import datetime 

films=['穿过寒冬拥抱你','反贪风暴5：最终章','李茂扮太子','误杀2','以年为单位的恋爱','黑客帝国：矩阵重启','雄狮少年','魔法满屋','汪汪队立大功大电影','爱情神话']
regions=['中国','英国','澳大利亚','美国','美国','中国','英国','澳大利亚','美国','美国']
bos=['61,181','44,303','42,439','22,984','13,979','61,181','44,303','41,439','20,984','19,979']
persons=['31','23','56','17','9','31','23','56','17','9']
prices=['51','43','56','57','49','51','43','56','57','49']
showdate=['2022-12-03','2022-12-05','2022-12-01','2022-12-02','2022-11-05','2022-12-03','2022-12-05','2022-12-01','2022-12-02','2022-11-05']
ftypes=['剧情','动作','喜剧','剧情','剧情','爱情','动作','动画','动画','动画']
points=['8.1','9.0','7.9','6.7','3.8','8.1','9.0','7.9','6.7','3.8']
filmdescript={
    'ftypes':ftypes,
    'bos':bos,
    'prices':prices,
    'persons':persons,
    'regions':regions,
    'showdate':showdate,
    'points':points
}

import numpy as np
import pandas as pd
cnbo2021top5=pd.DataFrame(filmdescript,index=films)
cnbo2021top5[['prices','persons']]=cnbo2021top5[['prices','persons']].astype(int)
cnbo2021top5['bos']=cnbo2021top5['bos'].str.replace(',','').astype(int)
cnbo2021top5['showdate']=cnbo2021top5['showdate'].astype('datetime64')
cnbo2021top5['points']=cnbo2021top5['points'].apply(lambda x:float(x) if x!='' else 0)

cnbo2021top5

在这里插入图片描述

# 常用调色盘
r_hex = '#dc2624'     # red,       RGB = 220,38,36	
dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80	
tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162	
r1_hex = '#e87a59'    # red,       RGB = 232,122,89	
tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169	
g_hex = '#649E7D'     # green,     RGB = 100,158,125	
o_hex = '#dc8018'     # orange,    RGB = 220,128,24	
tn_hex = '#C89F91'    # tan,       RGB = 200,159,145	
g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108	
bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104	
g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

color=['#dc2624' ,'#2b4750','#45a0a2','#e87a59','#7dcaa9','#649E7D','#dc8018','#C89F91','#6c6d6c','#4f6268','#c7cccf']
sns.set_palette(color)

01 折线图

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
sinplot()
# 对两种画图进行比较
fig = plt.figure()
sns.set()
sinplot()

在这里插入图片描述

plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
plt.figure(figsize=(14,8))
plt.title("中国电影票房2021top10")
plt.xlabel("电影名称")
plt.ylabel("电影票房")
sns.lineplot(data=cnbo2021top5[['bos']])
plt.xticks(rotation=45)

在这里插入图片描述

02 柱形图

cnbo2021top5ftgb=cnbo2021top5.groupby(['ftypes'])['bos','persons','prices','points'].mean()
cnbo2021top5ftgb=cnbo2021top5ftgb.reset_index().replace()
cnbo2021top5ftgb

在这里插入图片描述

### 02 条形图
plt.figure(figsize=(14,8))
plt.title("中国电影票房2021top10")
sns.barplot(x=cnbo2021top5ftgb['ftypes'],y=cnbo2021top5ftgb['persons'])
plt.xlabel("电影类型")
plt.ylabel("场均人次")
plt.xticks(rotation=45)
plt.show()

在这里插入图片描述

03 直方图

### 03 直方图
plt.figure(figsize=(14,8))
plt.title("中国电影票房2021top10")
sns.histplot(x=cnbo2021top5['bos'],bins=15) # x=cnbo2021top5ftgb['ftypes'],y=cnbo2021top5ftgb['persons']
plt.xlabel("电影类型")
plt.ylabel("场均人次")
plt.xticks(rotation=45)
plt.show()

在这里插入图片描述

三、绘图

上面的数据只有十部电影，而下面的数据是我整理出来的电影数据：

Excel：300部电影数据整理

import pandas as pd 
cnboo=pd.read_excel("cnboNPPD1.xlsx")
cnboo

在这里插入图片描述

01 设定调色盘

# 设定调色盘
sns.set_palette(color)
sns.palplot(sns.color_palette(color,11)) # 表示11种颜色

在这里插入图片描述

02 柱状图

sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(25,20))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.barplot(x='TYPE',
            y='PRICE',
            hue='TYPE',
            data=cnboo)

在这里插入图片描述

03 技术图

sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(15,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.countplot(x='TYPE',data=cnboo)

在这里插入图片描述

04 点图

sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(15,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.pointplot(x='TYPE',y='PRICE',data=cnboo)
plt.show()

在这里插入代码片

sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(25,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.pointplot(x='TYPE',y='PRICE',hue='REGION',data=cnboo)
plt.show()

在这里插入图片描述

05 箱型图

### 05 箱型图
sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(35,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.boxplot(x='TYPE',y='PERSONS',hue='REGION',data=cnboo) # ,markers=['^','o'],linestyles=['-','--']
plt.show()
# 图中的单个点代表在此数据当中的异常值

在这里插入图片描述

06 小提琴图

### 06 小提琴图
sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(35,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.violinplot(x='TYPE',y='PRICE',hue='REGION',data=cnboo) # ,markers=['^','o'],linestyles=['-','--']
plt.show()

在这里插入图片描述
绘制横着的小提琴图：

sns.set_palette(color)
sns.palplot(sns.color_palette(color,11))
plt.figure(figsize=(35,10))
plt.title('电影票房')
plt.xticks(rotation=45)
sns.violinplot(x='PERSONS',y='PRICE',hue='REGION',data=cnboo,orient='h')
plt.show()

在这里插入图片描述

07 双变量分布图

sns.set_palette(color)
plt.figure(figsize=(15,7))
# plt.xticks(rotation=45)
sns.jointplot(x='BO',y='PRICE',data=cnboo).fig.suptitle("电影票房与票价的双变量分布图",va='top',y=1.05)
plt.show()

在这里插入图片描述

sns.set_palette(color)
plt.figure(figsize=(15,7))
# plt.xticks(rotation=45)
snsfig=sns.jointplot(x='PERSONS',y='BO',data=cnboo,color='g',s=50,edgecolor='black',linewidth=1,alpha=0.7,space=0.1,kind='scatter',height=6,ratio=5,marginal_kws=dict(bins=10,rug=True))
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
plt.show()

在这里插入图片描述

sns.set_palette(color)
plt.figure(figsize=(15,7))
# plt.xticks(rotation=45)
snsfig=sns.jointplot(x='PERSONS',y='BO',
                     data=cnboo,color='g',
                     edgecolor='black',linewidth=1,alpha=0.7,
                     space=0.1,kind='hex',height=6,joint_kws=dict(gridsize=20), # gridsize越小，网格越大
                     ratio=5,marginal_kws=dict(bins=10,rug=True)) #bins=10:表示分成10个柱 
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
plt.show()

在这里插入图片描述
在这里插入图片描述

sns.set_palette(color)
plt.figure(figsize=(15,7))
snsfig=sns.jointplot(x='PERSONS',y='BO',
                     data=cnboo,color='g',
                     edgecolor='black',linewidth=1,alpha=0.7,
                     space=0.1,kind='hex',height=6,joint_kws=dict(gridsize=40), # gridsize越小，网格越大
                     ratio=5,marginal_kws=dict(bins=10,rug=True,color='r',hist_kws={'edgecolor':'b'})) #bins=10:表示分成10个柱 ,且这里的color控制柱形图的颜色
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
plt.show()

在这里插入图片描述

sns.set_palette(color)
plt.figure(figsize=(15,7))
# plt.xticks(rotation=45)
snsfig=sns.jointplot(x='PERSONS',y='BO',
                     data=cnboo,color='g',
#                      edgecolor='black',linewidth=1,alpha=0.7,
                     space=0.1,kind='kde', joint_kws=dict(gridsize=40), # gridsize越小，网格越大
                     ratio=5,) #bins=10:表示分成10个柱 ,且这里的color控制柱形图的颜色
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
plt.show()

在这里插入图片描述

08 其余图形展示

sns.set_palette(color)
plt.figure(figsize=(15,7))
snsfig=sns.jointplot(x='PERSONS',y='BO',
                     data=cnboo,color='g',
                     space=0.1,kind='kde', joint_kws=dict(gridsize=40), # gridsize越小，网格越大
                     ratio=5,) #bins=10:表示分成10个柱 ,且这里的color控制柱形图的颜色
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
snsfig.plot_joint(plt.scatter,c='r',s=20,linewidth=1,marker=".")
plt.show()

在这里插入图片描述

sns.kdeplot(cnboo['BO'])

在这里插入图片描述

sns.kdeplot(cnboo['BO'],shade=True) # 填充阴影

在这里插入图片描述

sns.kdeplot(cnboo['PRICE'],shade=True,bw=.05)  # 核密度区间的设置

在这里插入图片描述
在这里插入图片描述

sns.kdeplot(cnboo['PRICE'],shade=True);
sns.kdeplot(cnboo['PERSONS'],shade=True);

在这里插入图片描述

sns.jointplot(x=cnboo['PERSONS'],y=cnboo['PRICE'],kind='kde',color="grey",space=0)

在这里插入图片描述

y1=cnboo['BO']
y2=cnboo['PRICE']
y3=cnboo['PERSONS']

from scipy.stats import gamma
sns.distplot(y2,kde=False,fit=stats.gamma)

在这里插入图片描述

sns.kdeplot(y2,shade=True)
sns.kdeplot(y2,bw=0.2,label="bw:0.2");
sns.kdeplot(y2,bw=0.05,label="bw:0.05");
plt.legend()

在这里插入图片描述

f,ax=plt.subplots(figsize=(10,10))
cmap=sns.cubehelix_palette(as_cmap=True,dark=0,light=1,reverse=False)
sns.kdeplot(y2,y3,cmap=cmap,n_level=20,shade=True)

在这里插入图片描述

f,ax=plt.subplots(figsize=(10,10))
cmap=sns.cubehelix_palette(as_cmap=True,dark=0,light=1,reverse=True)
sns.kdeplot(y2,y3,cmap=cmap,n_level=20,shade=True)

在这里插入图片描述

f,ax=plt.subplots(figsize=(10,7))
sns.kdeplot(y2,y3,shade=True,ax=ax)
sns.rugplot(y3,vertical=True,ax=ax)
sns.rugplot(y2,color='g',ax=ax)

在这里插入图片描述

snspairdf=cnboo[['PERSONS','PRICE','BO']]
sns.pairplot(snspairdf)

在这里插入图片描述

g=sns.pairplot(snspairdf)
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot,cmpap='Blues_d',n_levels=6)

在这里插入图片描述

g=sns.pairplot(snspairdf,kind='reg')
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot,cmpap='Blues_d',n_levels=6)

在这里插入图片描述

Matplotlib进阶：Seaborn教程
ice_martin的博客
03-12 1万+
Matplotlib进阶：Seaborn教程martinMatplotlib进阶Seaborn教程 样式管理 使用axes_style和set_style控制外观 选择颜色可选 绘图函数 可视化数据的分布 绘制单变量分布 绘制二元分布 可视化线性回归关系模型可选 使用分类数据绘图 利用不同类型模型来拟合数据 分类散点图 观测值分布 统计估计 绘制多面板分类图 样式管理为了能进行后续工作，要进行如下操
python-可视化matplotlib和seaborn
cxlhuihui的博客
04-19 833
1.echart可做出更精美的图片，matplotlib和seaborn可以对数据进行简单的可视化操作2.series或dateframe转化成array使用方法.values，在可视化过程中尽量用np数组的形式3.%matplotlib inline 图是嵌入在notebook里面的不是跳出来一个框的形式4.matplotlib.pyplot作图的子模块5.x = np.arange(0., 1...
【Python 数据分析学习】Matplotlib 的基础和应用
最新发布
2302_79527141的博客
09-16 3544
Matplotlib 是一个用于 Python 的 2D 图形库，它能够以多种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。Matplotlib 提供了一个非常接近 MATLAB 的 API，使得从 MATLAB 迁移到 Python 的过程变得相对容易。它最初由 John D. Hunter 开发，并于 2003 年首次发布。随着时间的发展，Matplotlib 已经成为了 Python 数据可视化领域的一个标准库，广泛应用于科学计算、数据分析以及机器学习等领域。
数据可视化：Matplotlib和Seaborn
Titijiang233的博客
11-12 1673
Matplotlib库 显示图形 import matplotlib.pyplot as plt %matplotlib inline #设置中文字体 plt.rcParams['font.family'] = ['SimHei'] x=[5,4,2,1] y=[7,8,9,10] #设置图表大小 plt.figure(figsize=(10,5)) #绘制线段 plt.plot(x,y,label='线1') plt.ylabel('y轴') plt.xlabel('x轴') #添加标题 p
Python笔记：初识Matplotlib和Seaborn
Wang的专栏
08-04 669
关于数据的整洁性 每个变量占一列 每个观察值占一行 每种观察单位是一个表格 画出条形图 我们可以通过 seaborn 的 countplot 函数创建基本的频率条形图： sb.countplot(data = df, x = 'cat_var') 将所有长条都用相同的颜色标注，可以减少不必要的干扰, 使用 “color” 参数设置长条颜色 base_color = ...
Python数据分析之可视化数据matplotlib/seaborn
weixin_50918736的博客
06-16 273
python数据可视化
2024年Python最全Python matplotlib seaborn（学习笔记）
2401_84557849的博客
04-30 454
plt.title(“中国电影票房2021top10”)plt.xlabel(“电影名称”)plt.ylabel(“电影票房”)02 柱形图。
2024年Python matplotlib seaborn（学习笔记）(1)，金三银四大厂面经总结
m0_60721823的博客
05-03 945
🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，可以戳这里获取。
Python matplotlib seaborn（学习笔记），Python开发入门与实战
m0_60147147的博客
04-03 648
入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！**
Python之Matplotlib、Seaborn数据可视化库
QuinnHanz的博客
05-24 520
使用Python进行数据分析时，常用的数据可视化库为Matplotlib。
绘图与可视化：Matplotlib与Seaborn (python包)
m0_64705117的博客
04-30 543
seaborn是在matplotlib基础上进行了封装和扩展，提供了更高级的绘图函数和工具，可以快速绘制各种类型的统计图表，包括热力图、密度图、箱线图等等。seaborn的优点是绘图简单、美观，适合快速绘制各种统计图表，但缺点是灵活性相对较低，自定义绘图属性需要一定的学习成本。matplotlib是一个基础的绘图库，提供了各种绘图函数和工具，可以绘制各种类型的图表，包括线图、散点图、柱状图、饼图等等。matplotlib的优点是灵活性高，可以自定义绘图的各种属性，但缺点是有些绘图需要较多的代码。
【Matplotlib+Seaborn】常用图像绘制方法汇总
qq_43018832的博客
11-07 842
【代码】【Matplotlib+Seaborn】常用图像绘制方法汇总。
Python数据分析：数据可视化（Matplotlib、Seaborn）
互联网架构小马的博客
08-16 1362
本文详细介绍了Python中两个主要的数据可视化库——Matplotlib和Seaborn的使用方法，并通过一个综合实例展示了如何使用这两个库进行数据可视化。Matplotlib提供了强大的绘图功能和高度的定制性，而Seaborn则提供了更简洁的接口和更美观的默认样式。根据不同的需求，我们可以选择合适的库进行数据可视化，从而更好地理解和解释数据。
Matplotlib 和 Seaborn 简介
weixin_43850639的博客
02-28 909
Matplotlib 和 Seaborn 简介
Seaborn学习以及Matplotlib基础（持续更新中...）
JasonBianZhang的博客
11-08 644
matplotlib基础 Seaborn库 matplotlib基础
Python数据可视化：用Matplotlib和Seaborn绘制精美图表
windowshht的博客
03-29 1651
Matplotlib和Seaborn是Python中两个非常强大的数据可视化库。通过掌握它们，你可以创建出既专业又美观的图表，从而更有效地传达数据背后的故事。无论是在学术研究、商业分析还是日常数据探索中，这两个库都是不可或缺的工具。
Matplotlib绘图库入门（五）：seaborn
haleycat的博客
04-07 232
在matplotlib 的基础上，扩展出了Seaborn，Seaborn 是对matplotlib 的api进一步的封装，在已有的基础上使得一些图形更容易绘制，在这个介绍几个Seaborn 扩展出的特性。官网在 http://seaborn.pydata.org/index.html) ，里面有更多的扩展可以供进一步的参看。 分类显示 在机器学习上最经常碰到的是如何把两类型的数据进行区分，在图标上最容易理解的是把不同类型的数据按不同的颜色进行显示。 seaborn 自带一些实验的数据，如’iris’，他
数据可视化：Matplotlib 与 Seaborn
weixin_55100524的博客
06-03 846
数据可视化是数据分析中至关重要的一部分，它能帮助我们直观地理解数据的分布、趋势和关系。Python 中，Matplotlib 和 Seaborn 是两个最常用的可视化库。本文将详细介绍如何使用 Matplotlib 和 Seaborn 进行数据可视化，包括基本图形、图形定制、高级图形和实战案例等内容。Matplotlib 是一个灵活而强大的绘图库，能够创建各种静态、动态和交互式图形。Seaborn 是基于 Matplotlib 之上的高级可视化库，专为统计图形而设计，能够生成更美观且信息丰富的图形。在这个实
DataCamp Python数据科学家课程笔记：Numpy, Pandas, Matplotlib, Seaborn
"这是一份关于DataCamp 'Data Scientist with Python Track' 的课程笔记，整理了从Python基础知识到数据科学工具如Numpy、Pandas、Matplotlib和Seaborn的详细学习路径。笔记以notion软件编排，结构清晰，包含代码...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

温欣2030

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值